Data Mining Wykład 4. Plan wykładu

Wielkość: px

Rozpocząć pokaz od strony:

Download "Data Mining Wykład 4. Plan wykładu"

Wiktoria Piasecka
6 lat temu
Przeglądów:

Data Mining Wykład 4 Klasyfikacja danych Klasyfikacja poprzez indukcje drzew decyzyjnych Plan wykładu Sformułowanie problemu Kryteria oceny metod klasyfikacji Metody klasyfikacji Klasyfikacja poprzez

1 Data Mining Wykład 4 Klasyfikacja danych Klasyfikacja poprzez indukcje drzew decyzyjnych Plan wykładu Sformułowanie problemu Kryteria oceny metod klasyfikacji Metody klasyfikacji Klasyfikacja poprzez indukcje drzew decyzyjnych Co to jest klasyfikacja Polega ona na znajdowaniu odwzorowania danych w zbiór predefiniowanych klas. Budowany jest model (np. drzewo decyzyjne, reguły logiczne), który służy do klasyfikowania nowych obiektów lub głębszego zrozumienia istniejącego podziału obiektów na predefiniowane klasy. Klasyfikacja jest metoda eksploracji danych z nadzorem (z nauczycielem). Proces klasyfikacji składa się z kilku etapów: 1. Budowa modelu, 2. Walidacja modelu, 3. Testowanie modelu, 4. Predykcji nieznanych wartości. 1

2 Klasyfikacja - Założenia Dane wejściowe: Treningowy zbiór krotek (przykładów, obserwacji, próbek), będących lista wartości atrybutów opisowych (tzw. deskryptorów) i wybranego atrybutu decyzyjnego (ang. class label attribute) Dane wyjściowe: Model (klasyfikator), przydziela każdej krotce wartość atrybutu decyzyjnego w oparciu o wartości pozostałych atrybutów (deskryptorów) Klasyfikator Wartości atrybutu decyzyjnego dzielą zbiór krotek na predefiniowane klasy, składające się z krotek o tej samej wartości atrybutu decyzyjnego. Klasyfikator - Służy do predykcji wartości atrybutu decyzyjnego (klasy) krotek, dla których wartość atrybutu decyzyjnego, tj. przydział do klasy, nie jest znany Proces klasyfikacji Klasyfikacja danych jest 4-etapowym procesem: Etap 1: Budowa modelu (klasyfikatora) opisującego predefiniowany zbiór klas danych lub zbiór pojęć Etap 2: Walidacja modelu (klasyfikatora) na pewnej części danych treningowych Etap 3: Testowanie modelu (klasyfikatora) na nowych danych testowych Etap 4: Zastosowanie opracowanego modelu do klasyfikacji nowych danych 2

Proces uczenia i testowania Zbiór dostępnych krotek (przykładów, obserwacji, próbek) dzielimy na dwa zbiory: zbiór treningowy i zbiór testowy Model klasyfikacyjny (klasyfikator) jest budowany

klasyfikatora jest weryfikowana w oparciu o zbiór testowy danych Proces uczenia i testowania Wynik klasyfikacji: Reguły klasyfikacyjne postaci if then Formuły logiczne Drzewa decyzyjne Dokładność

3 Proces uczenia i testowania Zbiór dostępnych krotek (przykładów, obserwacji, próbek) dzielimy na dwa zbiory: zbiór treningowy i zbiór testowy Model klasyfikacyjny (klasyfikator) jest budowany trzyetapowo: Uczenie (trening) klasyfikator jest budowany w oparciu o zbiór treningowy danych Walidacja modelu (klasyfikatora) na pewnej części danych treningowych Testowanie dokładność (jakość) klasyfikatora jest weryfikowana w oparciu o zbiór testowy danych Proces uczenia i testowania Wynik klasyfikacji: Reguły klasyfikacyjne postaci if then Formuły logiczne Drzewa decyzyjne Dokładność modelu: Dla przykładów testowych, dla których znane są wartości atrybutu decyzyjnego, wartości te są porównywane z wartościami atrybutu decyzyjnego generowanymi dla tych przykładów przez klasyfikator Współczynnik dokładności (ang. accuracy rate) = procent przykładów testowych poprawnie zaklasyfikowanych przez model Uczenie 3

opisujących klasy danych lub do predykcji trendów: klasyfikacja: predykcja

4 Testowanie Dokładność = 3/4 = 75% Klasyfikacja (predykcja) Klasyfikacja a predykcja Dwie metody, które są stosowane do analizy danych i ekstrakcji modeli opisujących klasy danych lub do predykcji trendów: klasyfikacja: predykcja wartości atrybutu kategorycznego (predykcja klasy) predykcja: modelowanie funkcji ciągłych 4

5 Kryteria oceny metod klasyfikacji Trafność klasyfikacji (ang. Classification / Predictive accuracy) zdolność modelu do poprawnej predykcji wartości atrybutu decyzyjnego (klasy) nowego przykładu Szybkość i skalowalność (ang. Speed): czas uczenia się, szybkość samego klasyfikowania koszt obliczeniowy związany z wygenerowaniem i zastosowaniem klasyfikatora Odporność (ang. Robustness) szum (noise), Brakujące wartości (missing values), zdolność modelu do poprawnej predykcji klas w przypadku braku części danych lub występowania danych zaszumionych Kryteria oceny metod klasyfikacji Zdolności wyjaśniania / Interpretowalność (ang. Interpretability): np. drzewa decyzyjne vs. sieci neuronowe odnosi się do stopnia w jakim konstrukcja klasyfikatora pozwala na zrozumienie mechanizmu klasyfikacji danych Skalowalność / Złożoność struktury (ang. Scalability), np. rozmiar drzew decyzyjnego, miary oceny reguły zdolność do konstrukcji klasyfikatora dla dowolnie dużych wolumenów danych Kryteria dziedzinowo zależne Macierz pomyłek Analiza pomyłek w przydziale do różnych klas przy pomocy tzw. Macierz pomyłek (ang. Confusion matrix) Macierz r r, gdzie kolumny odpowiadają poprawnym klasom decyzyjnym, a wiersze decyzjom przewidywanym przez klasyfikator; na przecięciu wiersza i oraz kolumny j - liczba przykładów n-ij należących oryginalnie do klasy i-tej, a zaliczonej do klasy j-tej Przykład: Przewidywane klasy decyzyjne Rzeczywiste klasy K 1 K 2 K 3 K K K

Ocena klasyfikatora binarnego Niektóre problemy jedna z klas posiada szczególne znaczenie, np. diagnozowanie poważnej choroby klasyfikacja binarna.

6 Ocena klasyfikatora binarnego Niektóre problemy jedna z klas posiada szczególne znaczenie, np. diagnozowanie poważnej choroby klasyfikacja binarna. Wynik klasyfikacji Pozytywna (True) Rzeczywiste klasy Negatywna (False) Pozytywna (True) TP FP (Błąd typu I) Negatywna (False) FN (Błąd typu II) TN Nazewnictwo (inspirowane medycznie): TP (ang. true positive) liczba poprawnie sklasyfikowanych przykładów z wybranej klasy (ang. hit), FP (ang. false positive) liczba przykładów błędnie przydzielonych do wybranej klasy, podczas gdy w rzeczywistości do niej nie należą (fałszywy alarm z ang. false alarm). FN (ang. false negative) liczba błędnie sklasyfikowanych przykładów z tej klasy, tj. decyzja negatywna podczas gdy przykład w rzeczywistości jest pozytywny (błąd pominięcia - z ang. miss), TN (ang. true negative) liczba przykładów poprawnie nie przydzielonych do wybranej klasy (poprawnie odrzuconych z ang. correct rejection), Miary klasyfikatora Trafność klasyfikacji (ang. classification accuracy) (Acc) TP TN ACC 100% TP TN FP FN Błąd klasyfikowania (ang. failed detection) (FD) FN FP FD 100% TP FN Wrażliwość / czułość (ang. sensitivity) (Se) TP SE 100% TP FN Specyficzność (ang. specificity) (Sp) TN SP 100% FP TN Wnikliwszą analizę działania klasyfikatorów binarnych dokonuje się w oparciu o analizę krzywej ROC, (ang. Receiver Operating Characteristic). Miary klasyfikatora na Macierzy pomyłek 6

190 łączna liczba przykładów Analiza krzywej ROC Każda technika budowy klasyfikatora może być scharakteryzowana poprzez pewne wartości miar sensitivity i specificity.

7 Analiza macierzy spróbuj rozwiązać TP TN SE 100%??? SP 100%??? TP FN FP TN Wynik klasyfikacji 1 Rzeczywiste klasy = 90 przykładów w danych należało do Klasy = 100 przykładów było w Klasy = 190 łączna liczba przykładów Analiza krzywej ROC Każda technika budowy klasyfikatora może być scharakteryzowana poprzez pewne wartości miar sensitivity i specificity. Graficznie można je przedstawić na wykresie sensitivity vs. 1 specificity. Krzywa ROC Algorytm może być parametryzowany, i w rezultacie otrzymuje się serie punktów odpowiadających doborowi parametrów. Sensitivity Połącz punkty krzywą ciągła 1-Specificty Wykres nazywany krzywą ROC. 7

ROC - analiza Im krzywa bardziej wygięta ku górnemu lewemu narożnikowi, tym lepszy klasyfikator.

Im bliżej niej, tym gorszy klasyfikator 1-Specificty Można porównywać działanie kilku

. Sformułowanie problemu Dana jest baza danych przykładów, z których każdy należy do określonej

Celem klasyfikacji jest znalezienie modelu dla każdej klasy Klasyfikacja poprzez indukcje drzew

8 ROC - analiza Im krzywa bardziej wygięta ku górnemu lewemu narożnikowi, tym lepszy klasyfikator. Sensitivity Przekątna odpowiada losowemu zgadywaniu. Im bliżej niej, tym gorszy klasyfikator 1-Specificty Można porównywać działanie kilku klasyfikatorów. Miary oceny np. AUC pole pod krzywą,.. Sformułowanie problemu Dana jest baza danych przykładów, z których każdy należy do określonej klasy, zgodnie z wartością atrybutu decyzyjnego. Celem klasyfikacji jest znalezienie modelu dla każdej klasy Klasyfikacja poprzez indukcje drzew decyzyjnych (1) drzewo decyzyjne jest grafem o strukturze drzewiastej, gdzie każdy wierzchołek wewnętrzny reprezentuje test na atrybucie (atrybutach), każdy łuk reprezentuje wynik testu, każdy liść reprezentuje pojedyncza klasę lub rozkład wartości klas 8

9 Klasyfikacja poprzez indukcje drzew decyzyjnych (2) Drzewo decyzyjne rekurencyjnie dzieli zbiór treningowy na partycje do momentu, w którym każda partycja zawiera dane należące do jednej klasy, lub, gdy w ramach partycji dominują dane należące do jednej klasy Kady wierzchołek wewnętrzny drzewa zawiera tzw. punkt podziału (ang. split point), którym jest test na atrybucie (atrybutach), który dzieli zbiór danych na partycje Klasyfikacja poprzez indukcje drzew decyzyjnych (3) Algorytm podstawowy: algorytm zachłanny, który konstruuje rekurencyjnie drzewo decyzyjne metoda top-down w sposób dziel i rządź (ang. divide-and-conquer) Wiele wariantów algorytmu podstawowego. Podstawowa różnica: kryterium podziału czyli sposobu w jaki tworzone są nowe węzły wewnętrzne w drzewie decyzyjnym, używanego podczas fazy budowania drzewa decyzyjnego Metoda podziału powinna maksymalizować dokładność konstruowanego drzewa decyzyjnego, lub innymi słowy minimalizować błędna klasyfikacje rekordów danych. Fazy algorytmu Algorytm jest wykonywany w dwóch fazach: Faza 1: Konstrukcja drzewa decyzyjnego w oparciu o zbiór treningowy Faza 2: Obcinanie drzewa w celu poprawy dokładności, interpretowalności i uniezależnienia się od efektu przetrenowania 9

10 Konstrukcja drzewa W fazie konstrukcji drzewa, zbiór treningowy jest dzielony na partycje, rekurencyjnie, w punktach podziału do momentu, gdy każda z partycji jest czysta (zawiera dane należące wyłącznie do jednej klasy) lub liczba elementów partycji jest dostatecznie mała (spada poniżej pewnego zadanego progu) Postać testu stanowiącego punkt podziału zależy od kryterium podziału i typu danych atrybutu występującego w teście: dla atrybutu ciągłego A, test ma postać wartość(a) < x, gdzie x należy do dziedziny atrybutu A, x dom(a) dla atrybutu kategorycznego A, test ma postać wartość(a) X, gdzie X dom(a) Algorytm konstrukcji drzewa Make Tree (Training Data D) { Partition(D) } Partition(Data S) { if (all points in S are in the same class) then return for each attribute A do evaluate splits on attribute A; } use best split found to partition S into S1 and S2 Partition(S1) Partition(S2) Algorytm konstrukcji drzewa W trakcie budowy drzewa decyzyjnego, wybieramy taki atrybut i taki punkt podziału, określający wierzchołek wewnętrzny drzewa decyzyjnego, który najlepiej dzieli zbiór danych treningowych należących do tego wierzchołka Do oceny jakości punktu podziału zaproponowano szereg kryteriów (wskaźników) 10

11 Podsumowanie Metody klasyfikacji Kryteria oceny metod klasyfikacji Sformułowanie problemu Klasyfikacja poprzez indukcje drzew decyzyjnych 11

Podobne dokumenty

Klasyfikacja. Sformułowanie problemu Metody klasyfikacji Kryteria oceny metod klasyfikacji. Eksploracja danych. Klasyfikacja wykład 1

Klasyfikacja. Sformułowanie problemu Metody klasyfikacji Kryteria oceny metod klasyfikacji. Eksploracja danych. Klasyfikacja wykład 1 Klasyfikacja Sformułowanie problemu Metody klasyfikacji Kryteria oceny metod klasyfikacji Klasyfikacja wykład 1 Niniejszy wykład poświęcimy kolejnej metodzie eksploracji danych klasyfikacji. Na początek